摘要

Hassabis 的核心论点是，自然系统的可经典学习程度，远高于其组合规模所暗示的水平。 AlphaGo 和 AlphaFold 能够穿越约 10^170 种围棋局面和 10^300 种蛋白质结构组成的空间，是因为进化、地质学和物理学留下了可利用的结构——“最稳定者生存”——而非均匀随机性。如果这一猜想成立，神经网络就能以可处理的方式建模大量生物学、化学、天气乃至物理问题；真正没有模式的问题，例如大数分解，可能仍属于暴力计算或量子计算的领域。
Veo 3 表明，世界模型可以仅凭被动观察学到有用的物理规律，这削弱了“智能必须先具身化”的论据。 它生成的约 8秒视频已经能够较好地复现液体、材料、光照和人体动态，足以让 Hassabis 认为其中存在“某种直觉物理”，尽管这并非人类式的哲学理解。他预计未来两三年仍会快速提升真实感，而互动版本可能在5至10年内实现真正由模型生成的游戏世界。
科学发现的技术栈正在成形，但研究品味仍是最关键的缺失层。 AlphaEvolve 将基础模型提出方案与进化搜索结合起来，延续了“模型加目标导向探索”的 AlphaGo 路线；但今天的系统仍难以选择重要且可证伪的问题——“选对问题是科学中最难的部分”。Hassabis 更长期的虚拟细胞计划，将从 AlphaFold 的静态结构、经过 AlphaFold 3 的分子相互作用，推进到多尺度模拟，可能把大部分实验搜索转移到硅基环境中，并将湿实验效率提高100倍。
Hassabis 认为，未来5年内、约在2030年前实现 AGI 的概率为50%，但他设定的门槛明显高于基准测试领先。 真正的 AGI 必须消除今天这种“锯齿状智能”，经受数万项认知任务和数百名顶尖专家的审查，并产生多个“灯塔时刻”：从1900年的知识截止点推导出相对论、提出重要的新猜想，或发明一款像围棋一样深邃而优雅的游戏。现有扩展路线是否足够，还是仍需一两次架构跃迁，在他看来是“50/50”。
即使前沿训练只占总算力需求的一小部分，算力需求仍会持续复合增长。 服务数十亿用户的产品、Veo 3 等多模态生成器，以及能够从测试时算力中获益的推理系统，都会扩大推理需求；因此 Google 正在同时推进 TPU、专用推理硬件、散热和电网优化，而不仅是更大模型。Hassabis 还预计，未来5年内 AI 将实质性帮助聚变、太阳能材料、电池，并可能帮助解决室温超导问题；在未来20至40年的能源押注中，他最看好聚变和太阳能。
在 Hassabis 的叙述中，Google 的战略优势来自前沿研究、充足算力、覆盖数十亿人的分发能力，以及“持续进步”与“持续交付”的结合。 Lex 将 Gemini 1.5 到 Gemini 2.5 的变化概括为从输转赢；Hassabis 则把功劳归于合并后的 Google Brain–DeepMind 人才储备，以及巨型产品公司内部类似创业公司的决断力。新的基础模型代际来自约6个月的研究积累，随后进行一次“巨型英雄训练”；后训练和蒸馏则铺开 Pro、Flash 和 Flash-Lite 的性能—成本前沿。
最大的风险不是某一个技术故障，而是制度必须适应一场 Hassabis 预计影响力是工业革命10倍、速度也快10倍的转型。 未来5至10年，与 AI 工具深度融合的程序员生产率可能提高10倍，而常规工作会迅速转移，需要新的治理机制，甚至普遍基本供给。Hassabis 拒绝对 p(doom) 给出虚假的精确数字，只说风险“绝对非零”且“可能不可忽略”；他的处方是“谨慎乐观”、将安全研究增加10倍、推进国际协调，并让最终结局更像 CERN，而不是曼哈顿计划。

精读

上游暂未提供，后续同步将继续补齐。

赢下AI竞赛第一部分：Michael Kratsios、Kelly Loeffler、Shyam Sankar、Chris Power AI 正在吞噬搜索